karpathy-llm-wiki

把散落资料变成 AI 可直接调用的结构化知识库

这是一个为 Claude Code、Cursor 和 Codex 等 AI 编程工具打造的 LLM 知识库构建工具。它从原始资料、引文和代码检查中生成 Karpathy 风格的结构化知识库，帮助开发者系统化整理和沉淀大语言模型相关的知识。项目解决了 AI 编程工具在长上下文和复杂任务中知识碎片化、难以复用的问题，通过自动化的知识抽取、引文管理和质量检查，将分散的文档、代码和讨论转化为可供 AI 直接调用的结构化知识。核心能力包括：兼容多种 Agent 工具的 Skills 格式、支持从原始源构建知识库、内置引文和 linting 机制确保知识准确性和可追溯性。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2348

维护状态维护中

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队Astro-Han

所属国家

官网地址

GitHubhttps://github.com/Astro-Han/karpathy-llm-wiki

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agent-skill,claude-code,codex,cursor,karpathy,knowledge-base,knowledge-management,llm,llm-wiki,markdown,personal-knowledge-base,productivity,rag-alternative

GitHub 星标★ 2348

30天Star增速

HF 下载量

上线时间2026-04-05 00:00:00

最近更新2026-09-23 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

难度：入门约 5 分钟部署方式：命令行工具 6 步

环境要求

可执行 npx 的 Node.js 环境（npx 由 Node.js 提供）
支持 Agent Skills 标准的 AI 编程工具，如 Claude Code、Cursor、Codex
本地有一个可写的项目目录，用于存放 raw/ 与 wiki/ 等知识库内容

安装与启动步骤

1安装 Skill

在项目目录下执行 npx 命令，把该 skill 添加到你的 Agent 工具中。README 明确给出的唯一安装方式。
```
npx add-skill Astro-Han/karpathy-llm-wiki
```
2查看技能规范

阅读仓库根目录的 SKILL.md，了解完整的 skill 规范与三个操作的调用方式，再开始使用。
3准备原始资料

把要沉淀的源材料放入 raw/ 目录，作为 Ingest 操作的输入；README 说明 Agent 会把源材料收集到 raw/。
4执行 Ingest

让 Agent 做 Ingest：把源材料收集进 raw/、分类整理，并创建或更新 wiki/ 下的知识页面；无新内容时只记日志。具体调用方式见 SKILL.md。
5执行 Query 提问

让 Agent 做 Query：检索 wiki/ 页面并给出带引文的回答，回答链接到对应的 markdown 页面。
6执行 Lint 检查

让 Agent 做 Lint：检查索引完整性、链接与 wiki 健康状况，自动修复并报告问题，保持知识库一致性。

关键配置

配置项	必填	说明	示例
`raw/`	是	存放原始资料的目录，Ingest 操作会把源材料收集到这里	`raw/`
`wiki/`	是	编译产出的结构化知识页面目录，Query 从这里检索并引用	`wiki/`
`examples/`	否	README 提到的示例目录，含示例 wiki 页面、源文件和操作日志	`examples/`

如何确认成功

安装后 Agent 工具中能看到该 skill；按 SKILL.md 执行 Ingest 后 wiki/ 下出现新页面，Query 能返回带页面引文的回答。

常见问题

Q：支持哪些 AI 编程工具？

A：README 说明适用于任何支持 Agent Skills 标准的工具，并点名 Claude Code、Cursor、Codex 等。

Q：它和 RAG 有什么区别？

A：README 给出对比表：该方案把知识编译成持久化的 wiki markdown 页面，合成发生在 Ingest 阶段；提问时直接引用已合成的页面，而不是每次重新检索原始文档。

Q：知识库内容保存在哪里？

A：按 README 描述，原始资料在 raw/，编译后的知识页面在 wiki/，均在本地 markdown 文件中，可作为个人知识库长期维护。

Q：安装后怎么知道有哪些操作？

A：README 列出三个操作：Ingest、Query、Lint，完整规范见仓库根目录的 SKILL.md。

注意事项

README 只提供了 npx add-skill 这一条安装命令，其余操作需按 SKILL.md 执行。
README 展示的 Usage Stats（94 篇文章、13 个主题目录、99 份源材料）来自维护者的生产知识库，仅作参考，不代表初始状态。
原始资料与知识页面均为 markdown，建议纳入 Git 版本管理以便回溯。

核心亮点

兼容 Claude Code、Cursor、Codex 多种主流 Agent 工具，开箱即用
内置引文和 linting 机制，保证知识库内容可溯源、质量可控
从原始源自动构建 Karpathy 风格知识库，降低人工整理成本

不足之处

项目处于成长早期，文档和社区生态尚待完善
知识库构建质量依赖原始资料质量，对输入源要求较高

适用场景

团队沉淀大模型开发最佳实践，供 AI 编程工具调用
个人开发者系统化整理 LLM 学习笔记，形成可复用知识库
企业将内部技术文档转化为 AI 可读的知识资产，提升编码效率

替代项目

Dify、LangChain、LlamaIndex

项目介绍

karpathy-llm-wiki 是搜索知识领域的开源项目，由 Astro-Han 开发，是 2026 年新上线的项目。

在全站 13,090 个收录项目中，它的 GitHub 星标数（2,348）位列前 30%，在搜索知识分类中处于中上游。

近 42 天，它的 GitHub 星标从 1,878 增加到 2,348，净增 470。

项目仍在小幅维护中，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：团队沉淀大模型开发最佳实践，供AI编程工具调用。同类可对比的替代方案包括 Dify、LangChain、LlamaIndex。

上一篇：llm-wiki-compiler

下一篇：NLP-Knowledge-Graph